/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,1 ГБ
Лицензия
Apache 2.0
Архитектура
diffusionvl_qwen · dense
Библиотека
transformers
Опубликована
25 дек 2025

DiffusionVL-Qwen2.5-7B

Генерация текстаТекст → текст3 профессии

Производная модели hustvl/DiffusionVL-Qwen2.5VL-7B. Диалоговая vision-language-модель на основе Qwen2.5-VL, преобразованная в диффузионную генеративную модель для ответов по изображениям и текстовым запросам.

238скачиваний за 30 дней1лайквеса обновлены2 янв 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Карточка модели hustvl/DiffusionVL-Qwen2.5-7B на Hugging Face совпадает с карточкой hustvl/DiffusionVL-Qwen2.5VL-7B, поэтому описание составлено по ней.

DiffusionVL-Qwen2.5VL-7B — модель зрения и языка на основе Qwen2.5-VL, представленная исследователями Huazhong University of Science and Technology. Авторы применили к предварительно обученной авторегрессионной модели метод diffusion fine-tuning, преобразовав её в vision-language-модель с диффузионной генерацией. Модель содержит 7,1 млрд параметров, использует архитектуру DiffusionVL_Qwen2_5_VL_ForConditionalGeneration и поддерживает контекст до 128 000 токенов.

Модель предназначена для диалоговых сценариев с изображениями и текстом, включая ответы на вопросы по изображениям и генерацию текста по визуальному контексту. DiffusionVL использует блочное декодирование, допускающее генерацию произвольной длины и повторное использование KV-кэша; авторы сообщают об ускорении инференса в 2 раза по сравнению с рассматриваемыми ими существующими diffusion vision-language-моделями. Репозиторий предоставляет веса safetensors для Transformers. Лицензия — Apache 2.0.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание изображений по текстовому запросу
  • диалог с визуальным контекстом
  • генерация текста на основе изображения

Ограничения

README сообщает об ускорении и результатах среди diffusion vision-language-моделей, но не приводит в данном фрагменте подробных оценок качества или перечня поддерживаемых языков. Возможности модели могут уступать авторегрессионной базовой модели в отдельных сценариях.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SOTA dVLM Performance with <5% Data & 2.0× Inference Speedup!

Lunbin Zeng1,*, Jingfeng Yao1,*, Bencheng Liao1, Hongyuan Tao1, Wenyu Liu1, Xinggang Wang1, ✉️

1Huazhong University of Science and Technology

*equal contribution, ✉️corresponding author, xgwang@hust.edu.cn

arXiv Hugging Face Paper

📰 News

  • [2025.12.25] 🎄 We have completed our release plan ahead of schedule. DiffusionVL is now fully open-sourced. Merry Christmas to the community!
  • [2025.12.18] 🎉 Our paper DiffusionVL is released on arXiv! We also release the DiffusionVL models translated from Qwen2.5VL on Hugging Face.

🚀 Release Plan

  • Release paper
  • Release DiffusionVL model weights (translated from AR-VLMs)
  • Release DiffusionVL model weights (translated from AR-LMs)
  • Release evaluation code
  • Release training code

📄 Introduction

The diffusion paradigm has emerged as a promising alternative to autoregressive (AR) models, offering the potential for efficient parallel decoding. However, existing diffusion vision language models (dVLMs) largely lag behind mainstream autoregressive vision language models in performance, primarily due to the capability limitations of their base diffusion language models.

DiffusionVL bridges this gap by answering a fundamental question: Can we directly translate any existing autoregressive models into powerful diffusion vision language models? We propose a diffusion finetuning framework that "translates" any pretrained AR model into a diffusion vision language model through a simple paradigm shift and modality shift. Unlike prior dVLMs restricted by fixed generation lengths, DiffusionVL introduces a novel block decoding strategy. This allows for arbitrary-length generation and KV-cache reuse. With this integrated design, despite training with less than 5% of the training data required by previous methods, DiffusionVL translated from AR-VLMs achieves a state-of-the-art performance among exsiting dVLMs and delivers a 2.0× inference speedup.

✨ Highlights

  • Universal Translation Framework: Translate any AR models into dVLMs with a simple yet effective approach.

  • Superior Performance: Achieve SOTA dVLM performance using <5% training data (738K vs 16.5M samples).

  • 2.0× Faster Inference: Block decoding strategy enables KV-cache reuse and 2.0× speedup over previous dVLMs.

🚀 Get Started

DocumentDescription
InstallationEnvironment setup, data and model preparation
Training & EvaluationTrain and evaluate DiffusionVL models
InferenceQuick inference with pre-trained models

❤️ Acknowledgements

This repo is mainly built on Qwen2.5-VL, LLaDA-V, BD3LMs and SDAR, lmms-eval. We thank the authors for their open-source contributions.

📝 Citation

If you find our work useful, please cite our paper:

@misc{zeng2025diffusionvltranslatingautoregressivemodels,
      title={DiffusionVL: Translating Any Autoregressive Models into Diffusion Vision Language Models},
      author={Lunbin Zeng and Jingfeng Yao and Bencheng Liao and Hongyuan Tao and Wenyu Liu and Xinggang Wang},
      year={2025},
      eprint={2512.15713},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2512.15713},
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
DiffusionVL_Qwen2_5_ForConditionalGeneration
Ревизия весов
4879ca9

0 моделей